2022知到答案 知识图谱 最新完整智慧树知到满分章节测试答案

见面课：知识图谱学术发展前沿

1、问题:一般而言，专家构建的领域知识和从大规模预料抽取的常识性知识哪个更符合长尾分布规律？
选项：
A:专家领域知识
B:常识性知识
答案: 【常识性知识】

2、问题:可以使用GAN来提升长尾部分的关系补全和关系抽取的效能。
选项：
A:对
B:错
答案: 【对】

3、问题:知识图谱作为一种结构化数据，可以在多模态与训练场景中解决模态数据缺失问题；同时，利用其ontology，可以对小样本学习问题提供一定帮助。
选项：
A:对
B:错
答案: 【对】

4、问题:知识图谱的规模并非越大越好，一些弱相关知识和不相关知识的存在可能给模型训练引入噪音，反而会削弱模型表现。
选项：
A:对
B:错
答案: 【对】

5、问题:知识抽取任务中，面临的挑战有
选项：
A:同时抽取多个三元组
B:处理词语之间的长距离依赖
C:从无标注数据语料中抽取三元组
答案: 【同时抽取多个三元组;
处理词语之间的长距离依赖;
从无标注数据语料中抽取三元组】

见面课：知识图谱开源工具实践及应用（一）

1、问题:OpenConcepts是一个大规模的什么类型的知识图谱？（ ）
选项：
A:常识知识图谱
B:概念知识图谱
答案: 【概念知识图谱】

2、问题:DeepKE是一个支持低资源、长篇章的知识抽取工具。
选项：
A:对
B:错
答案: 【对】

3、问题:多模态知识图谱一般包含图片类型的实体（ ）
选项：
A:对
B:错
答案: 【对】

4、问题:概念知识图谱一般有助于促进复杂的语义理解，可以应用于搜索、问答、推荐等场景。（ ）
选项：
A:对
B:错
答案: 【对】

5、问题:知识图谱构建中，一般包含的任务有：（ ）
选项：
A:实体识别
B:关系抽取
C:属性抽取
答案: 【实体识别;
关系抽取;
属性抽取】

第一章 单元测试

1、 问题:知识图谱可以看作是一种__的知识表示方法 ，相比于文本更易于被机器查询和处理，因而在搜索引擎、智能问答、大数据分析等领域被广泛应用。（ ）
选项：
A:结构化
B:非结构化
C:半结构化
D:文本化
答案: 【
结构化
】

2、 问题:利用知识图谱增强User 和 Item 的特征表示，有利于挖掘更深层次的用户兴趣，关系多样性也有利于实现更加个性化的推荐，丰富的语义描述还可以增强推荐结果的可解释性。这句话描述的是知识图谱在__中的应用（ ）
选项：
A:知识问答
B:大数据分析
C:推荐系统
D:语言理解
答案: 【
推荐系统
】

3、 问题:知识图谱的技术内涵包括（ ）
选项：
A:基于图的知识表示
B:图数据存储与查询
C:知识图谱融合
D:知识图谱推理
答案: 【
基于图的知识表示
图数据存储与查询
知识图谱融合
知识图谱推理
】

4、 问题:知识图谱的垂直领域应用包括（ ）
选项：
A:医疗健康
B:金融
C:政府
D:农业
答案: 【
医疗健康
金融
政府
农业
】

5、 问题:语言与知识的向量化表示 ，以及利用神经网络实现语言与知识的处理是重要的人工智能技术发展趋势。（ ）
选项：
A:对
B:错
答案: 【
对
】

第二章 单元测试

1、 问题:什么是知识表示？（ ）
选项：
A:是编程语言
B:用易于计算机处理的方式来描述人脑的知识
C:是数据结构设计
D:是数据格式处理
答案: 【
用易于计算机处理的方式来描述人脑的知识
】

2、 问题:以下哪个不是产生式系统的优点？（ ）
选项：
A:自然性
B:模块性
C:高效性
D:清晰性
答案: 【
高效性
】

3、 问题:RDF包含以下哪些元素（ ）。
选项：
A:主语
B:谓语
C:宾语
D:定语
答案: 【
主语
谓语
宾语
】

4、 问题:TransE模型对于以下哪种关系的处理能力不够强（ ）
选项：
A:一对一关系
B:一对多关系
C:多对一关系
D:多对多关系
答案: 【
一对多关系
多对一关系
多对多关系
】

5、 问题:知识的向量表示有利于刻画那些明确非隐含的知识。（ ）
选项：
A:对
B:错
答案: 【
错
】

第三章 单元测试

1、 问题:哪种数据库更易于扩展和处理复杂关联表达（ ）。
选项：
A:关系数据库
B:NoSQL数据库
C:图数据库
答案: 【
图数据库
】